系列文章目录
文章目录
介绍机器翻译
语言模型是自然语言处理的关键, 而机器翻译是语言模型最成功的基准测试。 因为机器翻译正是将输入序列转换成输出序列的序列转换模型(sequence transduction)的核心问题。 序列转换模型在各类现代人工智能应用中发挥着至关重要的作用, 为此,本节将介绍机器翻译问题及其后文需要使用的数据集。
机器翻译(machine translation)指的是将序列从一种语言自动翻译成另一种语言。 事实上,这个研究领域可以追溯到数字计算机发明后不久的20世纪40年代, 特别是在第二次世界大战中使用计算机破解语言编码。 几十年来,在使用神经网络进行端到端学习的兴起之前, 统计学方法在这一领域一直占据主导地位。因为统计机器翻译(statistical machine translation)涉及了 翻译模型和语言模型等组成部分的统计分析, 因此基于神经网络的方法通常被称为 神经机器翻译(neural machine translation), 用于将两种翻译模型区分开来。
本书的关注点是神经网络机器翻译方法,强调的是端到端的学习。下面,我们看一下如何将预处理后的数据加载到小批量中用于之后的训练。
python
import os
import torch
from d2l import torch as d2l
下载和预处理数据集
首先,下载一个由Tatoeba项目的双语句子对
组成的"英-法"数据集,数据集中的每一行都是制表符分隔的文本序列对,序列对由英文文本序列和翻译后的法语文本序列组成。
请注意,每个文本序列可以是一个句子,也可以是包含多个句子的一个段落。
在这个将英语翻译成法语的机器翻译问题中,英语是源语言 (source language),法语是目标语言(target language)。
python
# 注册数据集到数据中心,指定数据集名称和下载链接及其校验和
d2l.DATA_HUB['fra-eng'] = (d2l.DATA_URL + 'fra-eng.zip',
'94646ad1522d915e7b0f9296181140edcf86a4f5')
# 定义一个函数,用于加载"英语-法语"数据集
def read_data_nmt():
"""载入"英语-法语"数据集"""
# 下载并解压数据集,返回数据目录
data_dir = d2l.download_extract('fra-eng')
# 打开解压后的文本文件,读取其内容
with open(os.path.join(data_dir, 'fra.txt'), 'r', encoding='utf-8') as f:
return f.read() # 返回文件的全部内容
# 调用函数,获取原始文本数据
raw_text = read_data_nmt()
# 打印原始文本的前50个字符
print(raw_text[:50])
python
Go. Va !
Hi. Salut !
Run! Cours !
Run! Courez !
Wh
下载数据集后,原始文本数据需要经过[几个预处理步骤 ]。
例如,我们用空格代替不间断空格(non-breaking space),使用小写字母替换大写字母,并在单词和标点符号之间插入空格。
python
def preprocess_nmt(text):
"""预处理"英语-法语"数据集"""
# 定义一个辅助函数,用于判断是否在单词和标点之间插入空格
def no_space(char, prev_char):
return char in set(',.!?') and prev_char != ' '
# 将文本中的不间断空格和某些特殊空格替换为普通空格
# 将文本转换为小写字母
text = text.replace('\u202f', ' ').replace('\xa0', ' ').lower()
# 在单词和标点符号之间插入空格
out = [' ' + char if i > 0 and no_space(char, text[i - 1]) else char
for i, char in enumerate(text)]
# 将处理后的字符列表连接成一个字符串并返回
return ''.join(out)
# 调用预处理函数,处理原始文本数据
text = preprocess_nmt(raw_text)
# 打印处理后的文本前80个字符
print(text[:80])
python
go . va !
hi . salut !
run ! cours !
run ! courez !
who ? qui ?
wow ! ça alors !
词元化
与字符级词元化不同,在机器翻译中,我们更喜欢单词级词元化(最先进的模型可能使用更高级的词元化技术)。下面的tokenize_nmt
函数对前num_examples
个文本序列对进行词元,其中每个词元要么是一个词,要么是一个标点符号。
此函数返回两个词元列表:source
和target
:source[i]
是源语言(这里是英语)第 i i i个文本序列的词元列表,target[i]
是目标语言(这里是法语)第 i i i个文本序列的词元列表。
python
# 定义一个函数,用于将"英语-法语"数据集进行词元化
def tokenize_nmt(text, num_examples=None):
"""词元化"英语-法语"数据集"""
# 初始化源语言(英语)和目标语言(法语)的列表
source, target = [], []
# 遍历文本中的每一行
for i, line in enumerate(text.split('\n')):
# 如果指定了样本数量,且已处理的行数超过该数量,则停止处理
if num_examples and i > num_examples:
break
# 将当前行按制表符分割,得到源语言和目标语言的部分
parts = line.split('\t')
# 如果当前行包含源语言和目标语言(即分割后有两个部分)
if len(parts) == 2:
# 将源语言部分按空格分割并添加到源语言列表中
source.append(parts[0].split(' '))
# 将目标语言部分按空格分割并添加到目标语言列表中
target.append(parts[1].split(' '))
# 返回源语言和目标语言的列表
return source, target
# 调用词元化函数,处理文本数据
source, target = tokenize_nmt(text)
# 打印源语言和目标语言的前6个样本
source[:6], target[:6]
python
([['go', '.'],
['hi', '.'],
['run', '!'],
['run', '!'],
['who', '?'],
['wow', '!']],
[['va', '!'],
['salut', '!'],
['cours', '!'],
['courez', '!'],
['qui', '?'],
['ça', 'alors', '!']])
让我们[绘制每个文本序列所包含的词元数量的直方图 ]。
在这个简单的"英-法"数据集中,大多数文本序列的词元数量少于 20 20 20个。
python
# 定义一个函数,用于绘制列表长度对的直方图
def show_list_len_pair_hist(legend, xlabel, ylabel, xlist, ylist):
"""绘制列表长度对的直方图"""
# 设置图形的大小
d2l.set_figsize()
# 绘制直方图,计算 xlist 和 ylist 中每个列表的长度
_, _, patches = d2l.plt.hist(
[[len(l) for l in xlist], [len(l) for l in ylist]]
)
# 设置 x 轴标签
d2l.plt.xlabel(xlabel)
# 设置 y 轴标签
d2l.plt.ylabel(ylabel)
# 为第二个数据集的直方图的每个条形设置斜线填充
for patch in patches[1].patches:
patch.set_hatch('/')
# 添加图例
d2l.plt.legend(legend)
# 调用函数,绘制源语言和目标语言的长度直方图
show_list_len_pair_hist(['source', 'target'], '# tokens per sequence',
'count', source, target);
词表
由于机器翻译数据集由语言对组成,因此我们可以分别为源语言和目标语言构建两个词表。
使用单词级词元化时,词表大小将明显大于使用字符级词元化时的词表大小。
为了缓解这一问题,这里我们将出现次数少于2次的低频率词元视为相同的未知("<unk>")词元。
除此之外,我们还指定了额外的特定词元,例如在小批量时用于将序列填充到相同长度的填充词元("<pad>"),以及序列的开始词元("<bos>")和结束词元("<eos>")。这些特殊词元在自然语言处理任务中比较常用。
python
# 创建源语言(英语)词汇表,指定最小频率和保留的特殊标记
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
# 获取词汇表中的词汇数量
len(src_vocab)
python
10012
python
# 访问源语言列表中的第一个句子,并获取该句子的第二个词元
source[0][1]
python
'.'
加载数据集
回想一下,语言模型中的[序列样本都有一个固定的长度 ],无论这个样本是一个句子的一部分还是跨越了多个句子的一个片断。
这个固定长度是由语言模型中的num_steps
(时间步数或词元数量)参数指定的。
在机器翻译中,每个样本都是由源和目标组成的文本序列对,其中的每个文本序列可能具有不同的长度。
为了提高计算效率,我们仍然可以通过截断 (truncation)和填充 (padding)方式实现一次只处理一个小批量的文本序列。
假设同一个小批量中的每个序列都应该具有相同的长度num_steps
,那么如果文本序列的词元数目少于num_steps
时,我们将继续在其末尾添加特定的"<pad>"词元,直到其长度达到num_steps
;反之,我们将截断文本序列时,只取其前num_steps
个词元,并且丢弃剩余的词元。这样,每个文本序列将具有相同的长度,以便以相同形状的小批量进行加载。如前所述,下面的truncate_pad
函数将(截断或填充文本序列)。
python
# 定义一个函数,用于截断或填充文本序列
def truncate_pad(line, num_steps, padding_token):
"""截断或填充文本序列"""
# 如果序列长度超过指定的步数,则进行截断
if len(line) > num_steps:
return line[:num_steps] # 截断到 num_steps 长度
# 否则,进行填充,直到达到指定的步数
return line + [padding_token] * (num_steps - len(line)) # 填充
# 调用函数,处理源语言的第一个句子,目标长度为 10,填充标记为词汇表中的 <pad>
truncate_pad(src_vocab[source[0]], 10, src_vocab['<pad>'])
python
[47, 4, 1, 1, 1, 1, 1, 1, 1, 1]
现在我们定义一个函数,可以将文本序列[转换成小批量数据集用于训练 ]。
我们将特定的"<eos>"词元添加到所有序列的末尾,用于表示序列的结束。
当模型通过一个词元接一个词元地生成序列进行预测时,生成的"<eos>"词元说明完成了序列输出工作。
此外,我们还记录了每个文本序列的长度,统计长度时排除了填充词元,在稍后将要介绍的一些模型会需要这个长度信息。
python
# 定义一个函数,将机器翻译的文本序列转换成小批量
def build_array_nmt(lines, vocab, num_steps):
"""将机器翻译的文本序列转换成小批量"""
# 将每个文本行转换为对应的词汇表索引
lines = [vocab[l] for l in lines]
# 在每个序列末尾添加结束标记 <eos>
lines = [l + [vocab['<eos>']] for l in lines]
# 使用 truncate_pad 函数填充或截断每个序列,并转换为张量
array = torch.tensor([truncate_pad(
l, num_steps, vocab['<pad>']) for l in lines])
# 计算每个序列的有效长度(不包括填充部分)
valid_len = (array != vocab['<pad>']).type(torch.int32).sum(1)
# 返回填充后的张量和有效长度
return array, valid_len
训练模型
最后,我们定义load_data_nmt
函数来返回数据迭代器,以及源语言和目标语言的两种词表。
python
# 定义一个函数,用于加载翻译数据集并返回迭代器和词表
def load_data_nmt(batch_size, num_steps, num_examples=600):
"""返回翻译数据集的迭代器和词表"""
# 读取和预处理数据
text = preprocess_nmt(read_data_nmt())
# 对文本进行词元化,得到源语言和目标语言
source, target = tokenize_nmt(text, num_examples)
# 创建源语言的词汇表,指定最小频率和保留的特殊标记
src_vocab = d2l.Vocab(source, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
# 创建目标语言的词汇表,指定最小频率和保留的特殊标记
tgt_vocab = d2l.Vocab(target, min_freq=2,
reserved_tokens=['<pad>', '<bos>', '<eos>'])
# 将源语言序列转换为数组,并计算有效长度
src_array, src_valid_len = build_array_nmt(source, src_vocab, num_steps)
# 将目标语言序列转换为数组,并计算有效长度
tgt_array, tgt_valid_len = build_array_nmt(target, tgt_vocab, num_steps)
# 将所有数据数组组合成一个元组
data_arrays = (src_array, src_valid_len, tgt_array, tgt_valid_len)
# 创建数据迭代器,支持批量处理
data_iter = d2l.load_array(data_arrays, batch_size)
# 返回数据迭代器和源、目标语言的词汇表
return data_iter, src_vocab, tgt_vocab
当然可以!以下是对 Vocab
类的逐行解释,以及对整个类的总结。
python
class Vocab:
"""Vocabulary for text."""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
"""初始化词汇表"""
if tokens is None:
tokens = [] # 如果没有提供 tokens,则初始化为空列表
if reserved_tokens is None:
reserved_tokens = [] # 如果没有提供保留的特殊标记,则初始化为空列表
# 统计词频并按频率排序
counter = count_corpus(tokens) # 统计每个词的出现频率
self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True) # 按频率降序排序
# 未知标记的索引为 0
self.idx_to_token = ['<unk>'] + reserved_tokens # 初始化索引到词的映射,包含未知标记和保留标记
self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)} # 创建词到索引的映射
# 添加频率大于 min_freq 的词到词汇表
for token, freq in self._token_freqs:
if freq < min_freq:
break # 如果频率小于 min_freq,则停止添加
if token not in self.token_to_idx:
self.idx_to_token.append(token) # 将词添加到索引到词的列表
self.token_to_idx[token] = len(self.idx_to_token) - 1 # 更新词到索引的映射
def __len__(self):
return len(self.idx_to_token) # 返回词汇表的大小
def __getitem__(self, tokens):
# 支持通过索引获取词或词列表
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk) # 返回词的索引,如果不存在则返回未知标记的索引
return [self.__getitem__(token) for token in tokens] # 返回词列表的索引
def to_tokens(self, indices):
# 将索引转换为词
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices] # 返回单个索引对应的词
return [self.idx_to_token[index] for index in indices] # 返回索引列表对应的词
@property
def unk(self): # 返回未知标记的索引
return 0
@property
def token_freqs(self): # 返回词频列表
return self._token_freqs
对上述代码中出现的Vocab进行总体解释和逐行解释
Vocab
类用于管理文本数据的词汇表,提供词与索引之间的映射、词频统计等功能。其主要功能包括:
-
初始化词汇表:
- 接受一组词元(
tokens
),最小频率(min_freq
),以及保留的特殊标记(reserved_tokens
)。 - 统计词频,并按频率排序。
- 将频率大于指定最小频率的词添加到词汇表中,并建立词到索引的映射。
- 接受一组词元(
-
支持索引操作:
- 可以通过
__getitem__
方法根据词获取其索引,支持单个词和词列表的查询。 - 可以通过
to_tokens
方法根据索引获取对应的词,支持单个索引和索引列表的查询。
- 可以通过
-
属性方法:
unk
返回未知标记的索引(通常为0)。token_freqs
返回词频列表,便于分析。
使用场景
- 文本处理 :在自然语言处理任务中,
Vocab
类可用于构建词汇表,帮助模型理解输入文本的结构。 - 数据预处理 :在训练模型之前,使用
Vocab
类可以有效地将文本数据转换为数值格式,以便于后续的模型训练和评估。
python
class Vocab:
"""Vocabulary for text."""
def __init__(self, tokens=None, min_freq=0, reserved_tokens=None):
"""初始化词汇表"""
if tokens is None:
tokens = [] # 如果没有提供 tokens,则初始化为空列表
if reserved_tokens is None:
reserved_tokens = [] # 如果没有提供保留的特殊标记,则初始化为空列表
# 统计词频并按频率排序
counter = count_corpus(tokens) # 统计每个词的出现频率
self._token_freqs = sorted(counter.items(), key=lambda x: x[1], reverse=True) # 按频率降序排序
# 未知标记的索引为 0
self.idx_to_token = ['<unk>'] + reserved_tokens # 初始化索引到词的映射,包含未知标记和保留标记
self.token_to_idx = {token: idx for idx, token in enumerate(self.idx_to_token)} # 创建词到索引的映射
# 添加频率大于 min_freq 的词到词汇表
for token, freq in self._token_freqs:
if freq < min_freq:
break # 如果频率小于 min_freq,则停止添加
if token not in self.token_to_idx:
self.idx_to_token.append(token) # 将词添加到索引到词的列表
self.token_to_idx[token] = len(self.idx_to_token) - 1 # 更新词到索引的映射
def __len__(self):
return len(self.idx_to_token) # 返回词汇表的大小
def __getitem__(self, tokens):
# 支持通过索引获取词或词列表
if not isinstance(tokens, (list, tuple)):
return self.token_to_idx.get(tokens, self.unk) # 返回词的索引,如果不存在则返回未知标记的索引
return [self.__getitem__(token) for token in tokens] # 返回词列表的索引
def to_tokens(self, indices):
# 将索引转换为词
if not isinstance(indices, (list, tuple)):
return self.idx_to_token[indices] # 返回单个索引对应的词
return [self.idx_to_token[index] for index in indices] # 返回索引列表对应的词
@property
def unk(self): # 返回未知标记的索引
return 0
@property
def token_freqs(self): # 返回词频列表
return self._token_freqs
下面我们[读出"英语-法语"数据集中的第一个小批量数据]。
python
train_iter, src_vocab, tgt_vocab = load_data_nmt(batch_size=2, num_steps=8)
for X, X_valid_len, Y, Y_valid_len in train_iter:
print('X:', X.type(torch.int32))
print('X的有效长度:', X_valid_len)
print('Y:', Y.type(torch.int32))
print('Y的有效长度:', Y_valid_len)
break
python
X: tensor([[134, 12, 4, 3, 1, 1, 1, 1],
[ 13, 178, 4, 3, 1, 1, 1, 1]], dtype=torch.int32)
X的有效长度: tensor([4, 4])
Y: tensor([[0, 5, 3, 1, 1, 1, 1, 1],
[0, 4, 3, 1, 1, 1, 1, 1]], dtype=torch.int32)
Y的有效长度: tensor([3, 3])
python
for X, X_valid_len, Y, Y_valid_len in train_iter:
print(Y[0][0].type(torch.int32))
Z = Y[0][0].type(torch.int32)
print(Z)
break
python
tensor(0, dtype=torch.int32)
tensor(0, dtype=torch.int32)
小结
- 机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。
- 使用单词级词元化时的词表大小,将明显大于使用字符级词元化时的词表大小。为了缓解这一问题,我们可以将低频词元视为相同的未知词元。
- 通过截断和填充文本序列,可以保证所有的文本序列都具有相同的长度,以便以小批量的方式加载。
练习
- 在
load_data_nmt
函数中尝试不同的num_examples
参数值。这对源语言和目标语言的词表大小有何影响? - 某些语言(例如中文和日语)的文本没有单词边界指示符(例如空格)。对于这种情况,单词级词元化仍然是个好主意吗?为什么?
答案
1. num_examples
参数对词表大小的影响
在 load_data_nmt
函数中,num_examples
参数决定了用于构建词表的示例数量。尝试不同的 num_examples
值会对源语言和目标语言的词表大小产生以下影响:
-
较小的
num_examples
:- 词表可能会更小,因为只考虑了有限数量的示例,导致一些频率较低的词被忽略。
- 可能无法捕捉到语言的多样性,尤其是在处理复杂或多样化的文本时。
-
较大的
num_examples
:- 词表通常会更大,因为包含了更多的词汇和短语,能够更好地反映语言的丰富性。
- 可能会包含更多的低频词,增加词表的复杂性,导致模型在训练时需要处理更多的词。
总结来说,num_examples
的选择直接影响词表的覆盖范围和复杂性,较大的示例数量通常能更好地捕捉语言的特性。
2. 对于没有单词边界的语言,单词级词元化的有效性
在处理没有单词边界的语言(如中文和日语)时,单词级词元化可能面临挑战。以下是一些考虑因素:
-
问题:
- 由于缺乏明确的单词边界,单词级词元化可能会导致错误的词分割,无法准确捕捉到语言的结构和意思。
- 词汇表可能会变得非常庞大,因为每个字符或字可能被视为一个单独的"单词"。
-
替代方案:
- 对于这些语言,更常用的做法是使用字符级或子词级(如 BPE,Byte Pair Encoding)词元化。
- 这种方法可以更好地处理语言的特性,减少词汇表的大小,同时保留语义信息。
总结 :
单词级词元化在没有单词边界的语言中并不总是有效,使用字符级或子词级词元化通常是更好的选择,因为它们能够更好地适应这些语言的结构特点。